MAI Image 2.7 Preview vs Nano Banana 2.1 : ce que 42 points Elo apportent réellement

Presque tous les chiffres du lancement de MAI Image 2.7 Preview sont impossibles à comparer à quoi que ce soit. Le modèle a fait ses débuts le 27 octobre 2026 à 1 193 Elo sur le tableau AA-Image-Editing v2.1 d’Artificial Analysis, et la plupart des modèles que l’on voudrait lui opposer ont été mesurés des semaines plus tôt sur un tableau qui a changé depuis. Nano Banana 2.1 fait exception. Le modèle de Google se trouve sur la même version du même tableau, à 1 151, issu de la même évaluation du 22 octobre 2026 — la soustraction 1 193 moins 1 151 est donc autorisée. L’écart est de 42 Elo, et c’est le seul face-à-face propre que ce lancement vous offre.

Cela fait de ces deux modèles la paire naturelle pour la question que tout le monde se pose réellement : le meilleur éditeur du tableau vaut-il la peine d'être utilisé plutôt que le moins cher des bons, celui qui est livré avec des masques, une sortie 4K, quatorze images de référence et un prix publié ? La réponse dépend, semble-t-il, d'un calcul que personne n'a encore appliqué à la baisse de prix de Nano Banana 2.1.

Pourquoi cette comparaison est la seule équitable du tableau

Les classements ne sont pas des thermomètres. Ce sont des populations mouvantes — des modèles arrivent, des modèles sont dépréciés, des votes s’accumulent — et un score n’a de sens que par rapport aux autres chiffres enregistrés lors de la même passe. C’est le piège dans la plupart des articles couvrant le lancement de 2.7. Le propre graphique de Microsoft place 2.7 à 1 193, GPT Image 2.5 Sunburst à 1 199, GPT Image 2.5 Flare à 1 182, MAI-Image-2.6 à 1 151, Krea 3 Ultra à 1 151, Nano Banana 2.1 à 1 151, MAI-Image-2.6-Flash à 1 144 et GPT Image 2 à 1 136 — tous issus de la même exécution AA-Image-Editing v2.1, ce qui rend l’ensemble du graphique citable. Six points Elo séparent 2.7 du sommet, et ces six points tiennent dans le bruit qu’un classement à vote aveugle peut produire en une semaine.

Ce qui n’est pas du bruit, c’est la forme de la distribution. Entre 1 136 et 1 199 se trouvent huit modèles issus de quatre laboratoires, tous dans un intervalle de 63 points. En édition, la frontière est encombrée, et 42 points — l’écart entre 2.7 et Nano-Banana-2.1 — représentent environ deux tiers de l’étendue totale des huit premiers. C’est une séparation réelle au sein d’un champ compressé, et elle est aussi suffisamment faible pour qu’une charge de travail donnée puisse l’inverser.

Lignes de spécification, avec les écarts indiqués

• Sortie — Nano Banana 2.1 est arrivé le 6 octobre 2026, remplaçant Nano Banana 2 et se positionnant sous Nano Banana Pro dans la gamme de Google ; MAI Image 2.7 Preview est arrivé le 27 octobre 2026.

• Périmètre — Nano Banana 2.1 génère et modifie, s'appuyant sur Gemini 3.6 Flash ; 2.7 est réservé à la modification, la génération d'images à partir de texte étant annoncée mais non disponible.

• Sortie — Nano Banana 2.1 propose du 1K, 2K et 4K avec des ratios d’aspect allant de 1:8 à 8:1 ; Microsoft n’a publié aucune résolution pour 2.7.

• Références — jusqu'à quatorze pour Nano Banana 2.1, réparties en quatre personnages et dix objets maintenus cohérents ; non publiées pour 2.7.

• Contrôle — Nano Banana 2.1 prend en charge l’édition locale par masque, où vous peignez une zone et seule cette zone est modifiée, ainsi que trois niveaux de réflexion ; Microsoft décrit les points forts de 2.7 par cas d’usage — changement de style, rééclairage, modifications de texte et de symboles — sans interface de masque publiée.

• Prix — Nano Banana 2.1 coûte 0,0336 $ pour 1 000 images, 0,0504 $ en 2K et 0,113 $ en 4K via l’API Gemini, les tâches par lots étant à nouveau à moitié prix ; la version 2.7 n’a aucun tarif publié.

• Accès — Nano Banana 2.1 est disponible dans l’application Gemini, AI Studio, l’API Gemini, le mode IA de Google Search, Google Ads, Flow et Stitch ; la version 2.7 est disponible dans MAI Playground, Arena et Artificial Analysis, sans API ni référence dans Foundry.

Le tableau que vous en tireriez ne concorde sur rien, sauf sur le score. Le score a donc intérêt à valoir cher.

La fameuse réduction de prix de 50 % est plus faible qu’elle n’en a l’air.

L’annonce phare de Google pour Nano Banana 2.1 était que la sortie d’images coûte moitié moins cher qu’avant : $30 par million de tokens de sortie, contre $60. C’est exact, et pour le texte-vers-image pur, cela revient à peu près à une division par deux, car l’essentiel de la facture porte sur la sortie.

L’édition est une autre forme de requête. Une édition prend l’image source en entrée sous forme de tokens et produit également une image en sortie, et Google a augmenté les prix d’entrée en même temps — de 0,50 $ à 1,50 $ par million de tokens, soit un triplement. La sortie de texte et de raisonnement est passée de 3 $ à 7,50 $ par million. Ainsi, l’économie réelle sur une édition n’est pas de 50 % ; c’est la différence entre deux coûts linéaires, et elle change de signe lorsque le côté entrée devient suffisamment important.

Exprimez cela sous forme d’inégalité. Soit I le nombre de tokens d’entrée et O le nombre de tokens de sortie pour une requête. L’ancienne requête coûtait 0,5I + 60O et la nouvelle coûte 1,5I + 30O. Le nouveau prix est moins cher exactement lorsque 1,5I + 30O < 0,5I + 60O, ce qui se simplifie en I < 30O : l’entrée doit rester inférieure à trente fois la sortie. C’est une marge généreuse pour une édition de 1K et une marge bien plus mince pour une édition de 4K avec un grand ensemble de références, car les images de référence sont des entrées et une sortie 4K ne représente pas trente fois le nombre de tokens des références qui l’ont produite.

La conséquence pratique : si votre charge de travail correspond à « une image source en entrée, une image de taille similaire en sortie » — ce qui décrit la plupart des pipelines de photo produit et de retouche — le tarif d’édition de Nano Banana 2.1 est nettement meilleur que celui de son prédécesseur, mais pas de moitié, et un pipeline 4K avec quatre ou cinq références pourrait ne bénéficier presque pas de la réduction. Si votre charge de travail est une génération uniquement à partir de prompts, vous obtenez la division par deux complète, et le mode par lots la divise encore par deux.

Où les 42 points Elo se manifesteraient, si tant est qu’ils le fassent

Le détail par catégorie de Microsoft est plus utile que son score global, car il indique d’où vient le gain. Entre MAI-Image-2.6 et 2.7, les retouches fondées sur le raisonnement sont passées de la septième à la première place, les retouches de scène et de style de la septième à la première, et les retouches de texte ou de symbole de la sixième à la première. Le plus grand écart individuel est de 24 Elo en scène et style par rapport au modèle suivant au classement. Ce sont des déclarations du fournisseur concernant les catégories d’Artificial Analysis, et la tendance est cohérente : la version 2.7 s’est améliorée sur les retouches qui exigent un jugement sur l’ensemble de l’image plutôt qu’une réparation locale.

Les faiblesses publiées de Nano Banana 2.1 en sont presque le négatif photographique. La fiche modèle de Google elle-même admet un petit texte flou en 1K, une confusion gauche/droite occasionnelle, une ressemblance imparfaite des personnages, ainsi qu'un raisonnement 3D et une factualité limités. La confusion gauche/droite est une défaillance du raisonnement spatial ; le petit texte flou en 1K en est une qui dépend de la résolution. Aucune des deux n'est le type d'erreur qu'un rééclairage de scène améliore.

Ainsi, la lecture honnête du 42 Elo est qu’il est concentré là où Microsoft dit qu’il l’est : la restylisation de l’image entière, le rééclairage, le texte intégré à une composition existante et les retouches qui nécessitent que le modèle comprenne comment les objets et la lumière interagissent. Si votre travail ressemble à cela, l’écart sera probablement visible. Si votre travail consiste à masquer un objet dans une photo de produit et à en insérer un autre, vous ne testez pas l’axe sur lequel 2.7 est en tête, et un masque que vous pouvez réellement dessiner vaut plus qu’un score.

La question du masque est celle qui tranche.

C’est la différence la moins glamour, et celle qui détermine le plus souvent une intégration réelle. L’édition par masque signifie qu’un humain a déjà décidé de ce qui change ; le rôle du modèle est de faire paraître la modification native. Cette division du travail explique pourquoi les outils d’édition dans les pipelines de production sont vérifiables : un relecteur peut voir la zone peinte et juger uniquement cette zone.

MAI Image 2.7 Preview, comme indiqué dans la documentation, prend en entrée une instruction et une image. La description par Microsoft de l’ensemble des fonctionnalités — restyler la scène, modifier le texte, restaurer l’élément — est entièrement pilotée par l’instruction, sans paramètre de masque publié, sans contrôle de boîte englobante et sans maximum documenté pour les images de référence. Il se peut très bien qu’il accepte les masques ; il n’existe simplement aucune interface publiée sur laquelle programmer, ce qui, pour un développeur, revient au même problème.

Pour un directeur de création qui travaille image par image, l'approche guidée par instructions est plus rapide et souvent meilleure. Pour un pipeline qui doit produire une piste d'audit, un masque n'est pas un simple agrément.

Où vit chacun d’eux, et ce que cela vous coûte pour l’atteindre

Nano Banana 2.1 est l'un des modèles d'image les plus largement distribués au monde : l'API Gemini, AI Studio, l'application Gemini, le mode IA de Search, Google Ads, Flow et Stitch. La distribution n'est pas une spécification, mais elle détermine l'ampleur du travail d'intégration à fournir avant de savoir si le modèle convient.

MAI Image 2.7 Preview est disponible à trois endroits, dont deux sont des surfaces d’évaluation. C’est un choix délibéré pour une preview, et c’est aussi un mur : une équipe qui souhaite tester le 42 Elo sur ses propres assets doit le faire à la main dans un navigateur, une image à la fois, et ne peut pas scripter l’expérience.

Côté tarification, il y a un mécanisme concret qu'il vaut la peine de connaître. OrcaRouter propose la gamme d'images de Google au prix catalogue du fournisseur avec 0 % de marge — Nano Banana 2 à 0,15 $ par requête et Nano Banana Pro à 0,24 $ aujourd'hui — de sorte qu'une évolution tarifaire du fournisseur se répercute chez nous le jour même où elle intervient chez Google, plutôt que d'attendre une renégociation. L'ajout de 2.1 proprement dit est une décision de catalogue, pas une décision tarifaire ; le cas échéant, c'est le tarif de sortie réduit de moitié qui vous sera facturé, car rien ne s'interpose entre vous et le prix catalogue.

La règle de décision

Si vos retouches relèvent d'un jugement sur l'image entière — rééclairer cette scène, changer le style de cette pièce, apposer un nouveau texte sur ce panneau et lui donner un rendu imprimé —, utilisez MAI Image 2.7 Preview dans Arena ou Playground cette semaine et comparez-le à Nano Banana 2.1 sur dix de vos propres images. C'est exactement l'axe sur lequel 2.7 revendique ses 24 points d'avance, et la comparaison à l'aveugle est le seul test qui soit transposable.

Si vos modifications sont locales et précisées — remplacer ce libellé, retirer ce câble, étendre cet arrière-plan — Nano Banana 2.1 l'emporte sur la capacité à dire précisément ce qui doit changer, à 0,0336 $ pour une sortie 1K, avec du 4K disponible lorsque la destination le nécessite et quatorze images de référence lorsque la cohérence de marque le nécessite. Les 42 points Elo n'ont jamais l'occasion de compter, car vous ne posez pas la question à laquelle ils répondent.

Si vous avez besoin d’un éditeur dans un pipeline aujourd’hui et qu’aucune de ces descriptions ne vous correspond, les modèles de ce classement sont ceux qui disposent d’interfaces publiées. MAI Image 2.7 Preview sera une option véritablement intéressante le jour où elle en aura une ; le classement vous a déjà dit à quoi vous attendre, et la seule chose qui manque est la possibilité de le découvrir par vous-même.